Jun, 2024

使用深层生成图神经网络进行移动网络配置推荐

PDF
TL;DR使用深度生成图神经网络 (GNN) 框架对无线电接入电信网络中的可配置参数进行优化和检测，提高配置精确度，并处理网络扩展和现有单元重配置产生的错误配置。
configurable parametersradio access telecom networkdeep generative graph neural networksiamese gnnmisconfigurations
发现论文，激发创造
  • 使用图神经网络从实时网络配置中学习蜂窝网络覆盖

    提出一种新的基于图形和状态转移网络的训练框架，它能够对细胞的配置进行高质量估计，适用于多个关键绩效指标的估计，同时具有良好的预测性能。

    Apr, 2023

  • 可扩展无线电资源管理的图神经网络：架构设计与理论分析

    本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

    Jul, 2020

  • 使用图形 Q 网络的多智能体强化学习在天线调谐中的应用

    该论文提出了一种新的多智能体强化学习算法，使用图神经网络结构进行全局优化移动网络配置，实现对移动网络的优化。

    Jan, 2023

  • 基于随机边图神经网络的最优无线资源分配

    本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。

    Sep, 2019

  • ENGNN: 一种通用的具有边缘更新功能的 GNN 结构，用于无线网络中的无线电资源管理

    为了在未来的无线网络中实现高数据速率和无处不在的连接，本文提出了一种基于图神经网络的边更新机制，以高效地管理射束形成和功率分配等无线电资源，并在典型的无线电资源管理问题中取得了比现有方法更高的总速率和更短的计算时间。

    Dec, 2022

  • 微型图神经网络用于无线资源管理

    无线资源管理的需求增加了对高效无线资源管理的精简神经网络结构的开发的需求。本文介绍了一种针对无线资源管理量身定制的图神经网络（GNN）的新方法：低秩消息传递图神经网络（LR-MPGNN）。该方法基于低秩逼近技术，将传统线性层替换为其低秩对应层，大大减小了模型尺寸和参数个数。通过多个关键指标对提出的 LR-MPGNN 模型的性能进行评估，包括模型尺寸、参数个数、通信系统的加权和速率以及权重矩阵的特征值分布。广泛的评估结果显示，LR-MPGNN 模型的模型尺寸减小了 60 倍，模型参数个数可以减少高达 98%。在性能方面，相对于原始 MPGNN 模型，LR-MPGNN 模型在最佳情况下的规范加权和速率仅降低了 2%，表现出很好的鲁棒性。此外，LR-MPGNN 模型的权重矩阵的特征值分布更加均匀，范围更广，表明了权重的战略性重新分布。

    Mar, 2024

  • 异质图神经网络用于移动蜂窝系统的功率控制学习

    使用嵌入先验知识的 HetGNN 及参数共享方案来学习多用户多小区网络中的最优功率控制策略，相比于 DNN，其拥有更低的样本复杂度和较小的网络规模。

    Nov, 2020

  • 利用机器学习优化蜂窝网络的覆盖范围和容量

    本研究比较了深度确定性策略梯度（DDPG）和多目标贝叶斯优化（BO）两种方法，并利用实验表明 BO 比 DDPG 收敛更快，少用两个数量级的计算。这些结果表明数据驱动技术可以有效地进行无线蜂窝网络的覆盖和容量自优化。

    Oct, 2020

  • 无线网络中图神经网络应用综述

    本文简要介绍了 GNN（图神经网络）的构建方法和在无线网络中的应用，包括资源分配和新兴领域的探索，并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。

    Jul, 2021

  • 使用非卷积设计的生成对抗网络生成无线电信号

    本文提出了一种基于采样点和未卷积生成器设计的无线电 GAN 框架，并结合估计的纯信号分布作为先验分布，通过能量约束优化算法实现更好的训练稳定性和收敛性，在广泛的仿真实验中展示了该框架可以有效地学习发射机特性和各种通道效应，从而准确地建模基础采样分布以合成高质量的无线电信号。

    Jun, 2023